自适应滤波器的应用

滤波器，我们在日常生活、工作中都经常用到，但不知道大家对“自适应滤波器的应用”是否知道呢？本文收集整理了一些资料，希望本文能对各位读者有比较大的参考价值。

自适应滤波器对于一些应用来说，由于事先并不知道所需要进行操作的参数，例如一些噪声信号的特性，所以要求使用自适应的系数进行处理。在这种情况下，通常使用自适应滤波器，自适应滤波器使用反馈来调整滤波器系数以及频率响应。随着数字信号处理器性能的增强，自适应滤波器的应用越来越常见，时至今日它们已经广泛地用于手机以及其它通信设备。

自适应滤波器的应用概述
   
尽管实际上自适应滤波器的应用领域非常广泛，但通常可以用如下4种系统结构之一对其进行说明：
   
● 干扰的消除
● 预测
● 反演模拟
● 辨识
   
接下来我们要讨论这些系统的基本构想并给出这些种类的一些典型成功应用。尽管并不总是能够精确地描述具体信号的性质，但通常还是对所有系统使用如下符号，分别是
   
x=自适应滤波器的输入量
y=自适应滤波器的输出量
d=(自适应滤波器的)期望响应
e=d-y=估计误差

自适应滤波器应用于反演模拟
   
在反演模拟结构中，  自适应滤波器的任务是提供表示未知的时变被控对象的最佳拟合的反演模型(通常以最小二乘法方式)。一个典型的通信例子就是估算信号的多径传播与理想传播的近似程度。图8-3以图形方式说明了这一结构。输入信号进入被控对象，未知被控对象的输出 x[n]是自适应滤波器的输入。然后，延迟的输入信号d[n]用于计算误差信号e[n]，并调整自适应滤波器的滤波器系数。这样，在收敛后，  自适应滤波器的传递函数近似于未知被控对象的传递函数的反演。
   
除了已经提及的通信系统中的均衡以外，  自适应滤波器的反演模型还成功用于提高附加的窄带噪声、自适应控制系统、S/N比率(信噪比)。在语音信号分析中用于去卷积以及数字滤波器的设计。

自适应滤波器应用于系统辨识
   
在系统辨识应用中，自适应滤波器的任务是确定表示未知被控对象或滤波器的滤波器系数。系统辨识的结构如图8-4所示。可以看到，时间序列x[n]同时输入自适应滤波器和另一个线性被控对象或未知传递函数的滤波器。未知被控对象的输出J[H)成为整个系统的输出。在收敛后，自适应滤波器的输出y[N]以一种最优(通常是最小二乘法)方式近似于d[n]。所提供的自适应滤波器的阶数与未知被控对象相匹配，并且输入信号x[n]是广义稳态(wide sense stationary，WSS)的，  自适应滤波器的系数将收敛到与未知被控对象相同的值。在实际应用中，在未知被控对象的输出中通常都会有外加的噪声(观测误差)，滤波器的结构不会精确地与未知被控对象匹配。这会造成与所描述的完美性能之间有所偏差。由于这一结构的灵活性以及能够单独地调整独立的输入参数的个数，使之成为在自适应滤波器的性能评估中经常用到的结构之一。我们将使用这些结构进行一个LMS和RLS之间的详细比较，LMS和RLS是调整自适应滤波器的滤波器系数最常用的两种算法。

这种系统辨识已经用于生物学中的建模以及社会和商业系统的模拟，还有自适应控制系统数字滤波器和地球物理学等领域。在地震学勘探中，这样的系统已用于生成分层的地球模型宋解决地球表面的复杂问题。

自适应滤波器的预测应用
   
在预测应用中，自适应滤波器的任务是提供随机信号的当前值的最佳预测(通常以最小二乘法方式)。显然，只有在输入信号与白噪声有本质区别时才是可能的。图8-2以图形方式说明了这一结构。可以看到，输入d[n)给自适应滤波器的输入施加了一个延迟以及计算估计误差。

预测编码已经成功用于图像和语音信号处理。预测编码不是直接对信号进行编码，而只是为传送和存储编码。其他的应用还包括功率谱建模、数据压缩、谱的增强以及事件检测

自适应滤波器应用于干扰的消除
   
在自适应滤波器应用非常普遍的领域中，输入信号不但含有有用信息的信号，也搀杂着干扰，例如：随机的白噪声或50/60Hz的电力线交流噪声。图8-1给出了这一应用的结构。输入(传感器)信号d[n]和自适应滤波器对基准信号x[n]的输出响应y[n]用于计算误差信号e[n]，这一信号也是消除干扰的结构部分的系统输出。这样，在收敛后，表示干扰的加性逆元素的(修正后的)基准信号就从输入信号中减掉了。

后面我们要详细地研究一个电力线交流噪声的干扰消除的例子。第二个比较普遍的应用是电话系统中回声的自适应噪声消除。干扰的消除已经用在天线阵(称为波束生成器)中自适应地消除来自未知方向的噪声干扰。